Cross-platform hardware benchmark of style-based quantum GANs for data augmentation on superconducting and trapped-ion processors

Este artículo presenta un benchmark multiplataforma que compara el rendimiento de una GAN cuántica de estilo fijo para el aumento de datos de física de altas energías en los procesadores de superconductores ibm_torino de IBM y aria-1 de iones atrapados de IonQ, revelando que, si bien IonQ logró una calidad estadística ligeramente superior, la plataforma de IBM ofreció un tiempo de ejecución de extremo a extremo significativamente más rápido.

Lo esencial

Imagina que estás intentando enseñarle a un robot chef a recrear una receta muy específica y compleja (como un plato poco común de un restaurante de alta gama). Tienes una pequeña muestra del plato real y quieres que el robot aprenda a cocinarlo tan bien que pueda hacer miles de copias perfectas. Este es el trabajo de una GAN Cuántica (Red Generativa Antagónica). Piensa en ello como un juego entre dos robots:

• El Chef (Generador): Intenta cocinar un plato falso que parezca real.
• El Crítico (Discriminador): Intenta detectar la diferencia entre el plato falso y el real.

Juegan este juego una y otra vez hasta que el Chef se vuelve tan bueno que el Crítico ya no puede notar la diferencia.

Este artículo es una "carrera" para ver qué tipo de hardware de computadora cuántica es mejor ayudando al Chef a aprender esta receta. Los investigadores no inventaron una nueva receta; tomaron una ya existente y la probaron en dos tipos de "cocinas" muy diferentes.

Las Dos Cocinas Competidoras

El artículo compara dos computadoras cuánticas disponibles comercialmente, que son como dos tipos de cocinas muy diferentes con herramientas y velocidades muy distintas:

1. La Cocina IBM (Superconductora):

   • La Herramienta: Utiliza diminutos circuitos superconductores (como bucles eléctricos superrápidos y superfríos).
   • La Vibra: Es un coche de Fórmula 1. Es increíblemente rápida. Las "puertas" (los pasos que da la computadora) ocurren en microsegundos. Puede procesar una gran cantidad de datos muy rápidamente.
   • El Defecto: Es un poco "ruidosa". Los ingredientes (qubits) son un poco inquietos, y cuando la computadora lee el resultado final (el plato), comete más errores (errores de lectura) que la otra cocina.

2. La Cocina IonQ (Iones Atrapados):

   • La Herramienta: Utiliza átomos individuales (iones) mantenidos en su lugar por láseres.
   • La Vibra: Es un reloj suizo de precisión. Es mucho más lenta. Los pasos tardan más en realizarse. Sin embargo, los ingredientes son muy estables y la lectura final es extremadamente precisa, con muy pocos errores.
   • El Defecto: Es lenta. Si necesitas cocinar un millón de platos, toma mucho tiempo porque cada uno de los pasos es deliberado y lento.

El Experimento: "Aumento de Datos"

El objetivo no era solo ver quién era más rápido, sino ver quién podía crear los mejores "datos falsos" para ayudar a los científicos. En este caso, los datos trataban sobre física de partículas (específicamente, colisiones de protones en el Gran Colisionador de Hadrones).

Los investigadores tomaron un "Chef" entrenado (el algoritmo cuántico) y lo enviaron a ambas cocinas. Mantuvieron la receta exactamente igual y desactivaron cualquier software de "cancelación de ruido" para ver cómo funcionaba el hardware puro.

Para que la carrera fuera justa y eficiente, utilizaron un truco llamado Replicación de Circuitos.

• Analogía: Imagina que tienes un sello pequeño. En lugar de estampar un papel 100 veces uno por uno, pegas 16 sellos juntos y presionas una sola vez. Obtienes 16 estampados a la vez.
• Los investigadores hicieron esto con los circuitos cuánticos. Ejecutaron la receta en 16 conjuntos de qubits a la vez en la máquina IBM y en 8 conjuntos en la máquina IonQ. Esto significó que tuvieron que enviar menos "órdenes" a las computadoras para obtener la misma cantidad de resultados.

Los Resultados: Velocidad vs. Precisión

Esto fue lo que sucedió cuando compararon las dos cocinas:

1. La Prueba de Sabor (Precisión):

• El Ganador: La cocina IonQ (Iones Atrapados).
• Por qué: Los "platos falsos" que producía estaban más cerca de la receta real. Las matemáticas mostraron que la máquina IonQ cometió menos errores en el sabor final.
• La Razón: La máquina IonQ es mucho más precisa cuando lee el resultado final. Es como un chef que tiene una mano muy firme y un paladar perfecto, aunque cocine lentamente.

2. El Cronómetro (Velocidad):

• El Ganador: La cocina IBM (Superconductora).
• Por qué: Terminó toda la tarea en aproximadamente 6 horas y 43 minutos. La máquina IonQ tomó casi 60 horas (casi 2.5 días) para hacer exactamente el mismo trabajo.
• La Razón: La máquina IBM es simplemente ultrarrápida. Aunque cometió algunos errores más, pudo procesar el trabajo tan rápido que terminó todo el proyecto en una fracción del tiempo.

La Conclusión

El artículo concluye que no existe una computadora "mejor" de forma única; depende de lo que valores:

• Si necesitas el resultado más preciso y puedes esperar un tiempo largo, la máquina IonQ (Iones Atrapados) es mejor.
• Si necesitas el resultado rápido y puedes tolerar un poco más de error, la máquina IBM (Superconductora) es la clara ganadora.

Los autores enfatizan que esta es una prueba práctica del hardware actual. No están diciendo que esta tecnología sea "mejor" para el futuro del universo, sino que, para esta tarea específica (generar datos de física de partículas), tienes que elegir entre velocidad (IBM) y precisión (IonQ).

Conclusión Clave: El artículo no afirma que esto curará enfermedades o resolverá el cambio climático ahora mismo. Simplemente dice: "Si eres un científico tratando de generar datos usando computadoras cuánticas hoy, aquí está el compromiso que enfrentarás entre estas dos máquinas específicas".

Resumen técnico

Resumen Técnico: Evaluación Comparativa Multiplataforma de qGANs Basados en Estilo para el Aumento de Datos

Planteamiento del Problema
En la era de la Computación Cuántica de Escala Intermedia con Ruido (NISQ), existe una necesidad crítica de evaluaciones controladas de las cargas de trabajo de aprendizaje automático cuántico (QML) a través de diferentes modalidades de hardware. Si bien los avances algorítmicos continúan, el rendimiento de algoritmos específicos bajo pilas de ejecución nativas de proveedores sigue siendo heterogéneo debido a las diferencias en conectividad, velocidades de puerta, fidelidad y pilas de software. Específicamente, aunque las redes Generativas Antagónicas Cuánticas (qGANs) basadas en estilo han mostrado promesa para tareas de aumento de datos —particularmente en la generación de distribuciones no gaussianas para la física de altas energías (HEP)—, las demostraciones previas se limitaron mayoritariamente a plataformas de hardware únicas (por ejemplo, sistemas superconductores de IBM) o carecieron de una comparación multiplataforma rigurosa. Este trabajo aborda esta brecha evaluando cuantitativamente si un generador qGAN basado en estilo fijo puede realizar un aumento de datos efectivo en dos arquitecturas de hardware distintas: cúbits de transmon superconductores y cúbits de iones atrapados.

Metodología
El estudio implementa una evaluación comparativa multiplataforma controlada utilizando un flujo de trabajo de qGAN basado en estilo fijo, entrenado con un conjunto de datos de $10^4$ eventos de Monte Carlo para la producción de quarks top-antiquark ($pp \to t\bar{t}$) en el Gran Colisionador de Hadrones (LHC). El objetivo es generar $10^5$ muestras sintéticas para aumentar los datos de entrenamiento.

• Plataformas de Hardware:
  • IBM ibm torino: Basado en la arquitectura Heron con 133 cúbits de transmon superconductores dispuestos en una red de hexágonos pesados (heavy-hex lattice).
  • IonQ aria-1: Basado en cúbits de iones atrapados ($^{171}\text{Yb}^+$) con 25 cúbits y conectividad de todos contra todos (all-to-all).
• Algoritmo y Arquitectura:
  • El generador es un circuito cuántico parametrizado (PQC) con una sola capa, que utiliza un enfoque "basado en estilo" donde las variables latentes se vuelven a cargar a lo largo de la red en lugar de solo en la entrada.
  • El discriminador es una red neuronal convolucional profunda clásica.
  • Restricción Crucial: La arquitectura del generador y los parámetros entrenados son fijos en ambas plataformas. El modelo fue entrenado previamente (en la Ref. [16]) y se reutilizaron los puntos de control (checkpoints) para asegurar una comparación justa de la ejecución del hardware en lugar de un reentrenamiento.
  • Replicación de Circuitos: Para mejorar el rendimiento de las muestras (throughput), el circuito base de 3 cúbits se replicó $m$ veces dentro de una misma ejecución de trabajo (job submission).
    • En ibm torino: 16 replicaciones usando 48 cúbits ($m=16$).
    • En aria-1: 8 replicaciones usando 24 cúbits ($m=8$).
    • Esta estrategia redujo el número de ejecuciones de trabajo requeridas de $10^5$ a $6,250$ (IBM) y $12,500$ (IonQ) para generar el conjunto de muestras objetivo.
• Condiciones Experimentales:
  • Ejecución Nativa: La mitigación de errores integrada (por ejemplo, debiasing) se desactivó deliberadamente para comparar el rendimiento del hardware "desnudo" (bare).
  • Presupuestos de Disparos (Shot Budgets): IBM utilizó los 4,000 disparos nominales por circuito; IonQ utilizó 512 disparos por circuito, determinados mediante simulación de ruido para equilibrar el tiempo de ejecución (wall-clock time) y la calidad estadística.
  • Métricas: La calidad se midió utilizando la divergencia de Kullback-Leibler (KL) entre las distribuciones generadas y de referencia para observables físicos ($s, t, y$). Las métricas de tiempo incluyeron el tiempo de ejecución total (wall-clock time), el tiempo por circuito y el tiempo por disparo.

Resultados Clave
Ambas plataformas completaron con éxito la tarea de aumento de datos, produciendo distribuciones con bajas divergencias KL, aunque con distintos compromisos entre calidad y velocidad.

• Calidad (Divergencia KL):

  • IonQ aria-1 logró divergencias KL marginales menores (mejores): $0.25$($s$),$0.14$($t$) y$0.07$($y$).
  • IBM ibm torino mostró divergencias ligeramente mayores: $0.51$($s$),$0.31$($t$) y$0.44$($y$).
  • Los autores atribuyen la precisión superior en IonQ principalmente a su tasa de error de lectura significativamente menor (aprox. $5.1 \times 10^{-3}$ frente a $2.7 \times 10^{-2}$ en IBM) y su conectividad de todos contra todos, lo que reduce la necesidad de puertas SWAP y la acumulación de errores en circuitos poco profundos.
  • El análisis de incertidumbre (vía propagación de la varianza de la muestra) indica que la brecha de rendimiento es más estrecha de lo que sugieren los valores nominales, pero IonQ sigue siendo más preciso en este montaje específico sin mitigación.

• Tiempo de Ejecución y Rendimiento (Throughput):

  • IBM ibm torino fue significativamente más rápido, completando la generación de las $10^5$ muestras en aproximadamente 6 horas y 43 minutos.
  • IonQ aria-1 requirió aproximadamente 59 horas y 57 minutos para la misma tarea.
  • La ventaja de velocidad de IBM está impulsada por los tiempos de puerta y lectura órdenes de magnitud más rápidos de los transmones superconductores en comparación con los iones atrapados, así como la capacidad de agrupar múltiples circuitos por ejecución.
  • El tiempo de ejecución por circuito (incluyendo la transpilación) fue de aproximadamente 1 ms en IBM frente a 34 ms en IonQ.

Significancia y Reivindicaciones
El artículo posiciona este trabajo no como una reivindicación de novedad algorítmica, sino como una evaluación comparativa práctica y específica de una aplicación.

1. Primera Comparación Controlada: Hasta donde saben los autores, esta es una de las primeras comparaciones controladas de hardware a hardware de qGANs basados en estilo para el aumento de datos en HEP.
2. Compromisos de Hardware (Trade-offs): Los resultados resaltan un compromiso claro:
   • Los sistemas de iones atrapados (IonQ) ofrecen una mayor fidelidad para circuitos variacionales poco profundos en entornos sin mitigación, probablemente debido a una mejor fidelidad de lectura y conectividad, lo que los hace adecuados para aplicaciones que priorizan la precisión de la distribución sobre la velocidad.
   • Los sistemas superconductores (IBM) ofrecen un tiempo de respuesta y un rendimiento significativamente más rápidos, lo que los hace preferibles para aplicaciones donde el volumen de muestras y la velocidad son críticos, pudiendo compensar la menor fidelidad con técnicas de mitigación o muestras más grandes.
3. Implementación Práctica: El estudio demuestra que la replicación de circuitos es una estrategia efectiva para escalar el rendimiento de las muestras en los dispositivos NISQ actuales sin necesidad de reentrenar el modelo.
4. Limitaciones: Los autores declaran explícitamente que las conclusiones son específicas para la carga de trabajo. La evaluación está limitada por realizar solo una ejecución por plataforma, diferencias en el conteo de disparos (shots) y la exclusión de la mitigación de errores a nivel de usuario. Señalan que aplicar la mitigación de lectura en IBM podría reducir la brecha de precisión, y que las mejoras futuras en el hardware (puertas más rápidas para IonQ, mejor lectura para IBM) desplazarán estos puntos de referencia.

En resumen, el artículo proporciona una línea base cuantitativa de cómo se comporta un modelo generativo cuántico fijo en dos de las principales modalidades de hardware cuántico, demostrando que ambos pueden realizar aumentos de datos útiles pero con perfiles operativos distintos respecto a la precisión y el tiempo de ejecución.